Awesome GitHub RepositoriesPre-trained Model Implementations

FaceNet is a facial recognition framework designed to transform facial images into high-dimensional numerical embeddings for identity verification and recognition. It provides a deep learning face embedder that maps facial features into a Euclidean space where distance corresponds to facial similarity. The system includes tools for both supervised and unsupervised identity management. It features a face identity classifier for categorizing images into known identity classes and an unsupervised clustering tool to group similar facial embeddings together without predefined labels. The framewor

DiT es un modelo de difusión latente y framework de IA generativa basado en transformadores implementado en PyTorch. Funciona como un generador de imágenes condicionado por clases que reemplaza los backbones convolucionales tradicionales con una arquitectura de transformador para sintetizar imágenes de alta fidelidad. El proyecto utiliza procesamiento latente basado en parches y compresión de espacio latente para operar en representaciones de imágenes de baja dimensión. Incorpora guía condicional por clases y escalas de guía ajustables para controlar el contenido visual de las imágenes generadas durante el proceso de muestreo. El framework cubre el entrenamiento distribuido de modelos, el muestreo iterativo de ruido y la creación de conjuntos de datos de imágenes sintéticas. También incluye herramientas para la evaluación de la calidad del modelo para calcular puntuaciones de precisión y calidad frente a puntos de referencia estándar.

This project is a Python implementation of the Faster R-CNN object detection framework. It serves as a convolutional neural network library and tool for locating and classifying multiple objects within images. The framework provides a pre-trained model implementation that allows for object detection inference without manual training. It supports the full lifecycle of object detection, including training detectors on visual datasets to identify and bound specific object classes. The system covers capabilities for computer vision model evaluation, neural network optimization to reduce model si

PaddleX is a PaddlePaddle-based framework for building, deploying, and fine-tuning AI model pipelines, with pre-built support for computer vision, OCR, document analysis, and time series tasks. It offers a toolkit of ready-to-use pipelines for image classification, object detection, segmentation, and pose estimation, alongside an end-to-end OCR document analysis pipeline that extracts text, tables, formulas, and layout information. The platform also includes a dedicated time series forecasting pipeline for analyzing historical data to detect anomalies, classify patterns, and predict future val

Este proyecto es una implementación en PyTorch de un framework de Neural Radiance Field (NeRF). Sirve como un sintetizador de escenas 3D y renderizador volumétrico diferenciable utilizado para entrenar representaciones volumétricas de escenas prediciendo color y densidad para coordenadas espaciales 3D. El sistema permite la síntesis de vistas novedosas, permitiendo la generación de nuevas imágenes de escenas 3D complejas desde perspectivas previamente no vistas. Admite la reconstrucción de escenas 3D procesando imágenes 2D y poses de cámara para construir una representación volumétrica digital de un espacio físico. El framework incluye capacidades para el renderizado de modelos 3D para producir imágenes RGB y mapas de disparidad, así como visualización de rutas de cámara para crear videos orbitales y secuencias de animación. Proporciona soporte para cargar datasets de escenas específicos e importar pesos preentrenados.

Rope es una interfaz gráfica de usuario para el intercambio de rostros en imágenes y videos. Funciona como un editor de video deepfake y herramienta de intercambio de rostros que utiliza modelos de deep learning preentrenados para reemplazar identidades en medios visuales. La herramienta incluye capacidades especializadas para la postproducción de video con IA, como la mezcla con reconocimiento de oclusión para manejar objetos en primer plano y el refinamiento de análisis bucal para alinear expresiones faciales. También sirve como herramienta de restauración facial con IA, utilizando restauración basada en prominencia para recuperar claridad y nitidez en las regiones faciales intercambiadas. El software proporciona un pipeline para la manipulación de medios visuales, abarcando todo el proceso desde el reemplazo inicial del rostro hasta la restauración digital final.

StarGAN es un framework de traducción de imagen a imagen en PyTorch diseñado para sintetizar estilos visuales y atributos a través de múltiples dominios. Implementa una red generativa antagónica (GAN) que sirve como traductor de imágenes de aprendizaje profundo para modificar características visuales específicas dentro de un conjunto de datos de imágenes. El framework utiliza un modelo unificado único para manejar traducciones entre múltiples dominios de imagen en lugar de requerir pares separados de modelos. Es una implementación de investigación que aprende mapeos entre diferentes atributos de imagen sin necesidad de datos de entrenamiento emparejados. El proyecto cubre el entrenamiento y la optimización de modelos generativos, incluyendo la aplicación de checkpoints de modelos pre-entrenados para inferencia. También proporciona utilidades para la preparación y organización de conjuntos de datos de imágenes basados en etiquetas y divisiones.

Caffe es un framework de deep learning de alto rendimiento y una librería de redes neuronales convolucionales diseñada para entrenar y desplegar redes neuronales. Funciona como un motor de machine learning acelerado por GPU con un núcleo implementado en C++ para permitir operaciones de tensores de alto rendimiento. El proyecto utiliza un sistema de configuración declarativa donde las arquitecturas de modelos y los hiperparámetros se definen en archivos de texto externos, separando el diseño de la red del código de ejecución. Incluye un sistema de serialización de modelos para exportar pesos y topologías entrenadas a archivos binarios para un despliegue eficiente en diferentes entornos de hardware. El framework cubre una amplia gama de capacidades, incluyendo el diseño de arquitectura de redes neuronales, entrenamiento de modelos supervisados con optimización basada en gradientes y flujos de trabajo de clasificación de imágenes. Proporciona herramientas para el preprocesamiento de datasets, extracción de características neuronales y ajuste fino de modelos preentrenados. El núcleo en C++ es accesible a través de una interfaz multilenguaje con bindings oficiales para Python y MATLAB.

Este proyecto es un recurso educativo integral y un curso para construir redes neuronales usando PyTorch. Cubre los bloques de construcción fundamentales del deep learning, incluyendo la manipulación de tensores, la diferenciación automática y la construcción de componentes modulares de redes neuronales. El repositorio sirve como guía técnica para varios dominios especializados. Proporciona detalles de implementación para tareas de visión artificial como clasificación de imágenes, detección de objetos y segmentación semántica, así como flujos de trabajo de procesamiento de lenguaje natural que involucran transformers, redes recurrentes y modelos generativos. Además, incluye una referencia para IA generativa, centrándose específicamente en la síntesis de imágenes mediante modelos de difusión y redes adversarias. El material se extiende a pipelines de optimización y despliegue de modelos. Cubre técnicas para reducir el tamaño del modelo y aumentar la velocidad de inferencia mediante cuantización y la exportación de modelos a formatos como ONNX y TensorRT. Otras áreas de capacidad incluyen ingeniería de datos para carga paralela, evaluación de modelos mediante métricas personalizadas y el despliegue de modelos de lenguaje grandes (LLM) de código abierto. El proyecto se entrega principalmente como una serie de Jupyter Notebooks.

Este proyecto es un framework de aprendizaje contrastivo auto-supervisado diseñado para entrenar modelos de aprendizaje profundo para aprender representaciones visuales a partir de imágenes sin utilizar etiquetas proporcionadas por humanos. Proporciona un sistema para desarrollar modelos de representación visual preentrenados que pueden adaptarse para tareas de visión artificial posteriores. El framework incluye herramientas para la clasificación de imágenes semi-supervisada, que combina grandes conjuntos de datos sin etiquetar con pequeños conjuntos etiquetados para mejorar la precisión. También cuenta con una herramienta de evaluación de sonda lineal (linear probe) para evaluar la calidad de las características de imagen aprendidas entrenando un clasificador lineal simple sobre representaciones congeladas. El código base cubre el entrenamiento de aprendizaje profundo distribuido y la aceleración por hardware para manejar grandes tamaños de lote, junto con primitivas de optimización como la programación de tasa de aprendizaje de decaimiento de coseno y regularización de decaimiento de peso. También proporciona utilidades para la gestión de modelos, incluyendo la conversión de checkpoints preentrenados entre diferentes formatos de frameworks de aprendizaje profundo y herramientas para el despliegue de modelos. La implementación se proporciona como una colección de Jupyter Notebooks.

lite.ai.toolkit es un toolkit de visión artificial en C++ diseñado para el despliegue de IA en el borde (edge). Permite la ejecución de modelos preentrenados para detección de objetos, clasificación de imágenes y segmentación en dispositivos con recursos limitados. El proyecto cuenta con un motor de inferencia multi-backend que admite el runtime de modelos ONNX, permitiendo que los modelos de IA se ejecuten en diferentes objetivos de hardware. Incluye un pipeline acelerado por GPU específicamente para hardware NVIDIA para reducir la latencia y aumentar la velocidad de procesamiento. El toolkit cubre una amplia gama de capacidades de análisis facial, incluyendo detección de emociones, estimación de género y edad, y análisis de pose de cabeza. También proporciona herramientas para el reconocimiento facial mediante la extracción de embeddings de características y el cálculo de similitud de coseno para verificar identidades. Las capacidades adicionales incluyen el matting de imágenes para el aislamiento del primer plano, la colorización de imágenes en escala de grises y la transferencia de estilo artístico.

Este proyecto es una colección de modelos de redes neuronales y herramientas geométricas diseñadas para la correspondencia de características de imágenes, alineación espacial y localización visual. Proporciona un modelo de red neuronal preentrenado para identificar correspondencias de alta precisión entre características dispersas de imágenes sin requerir entrenamiento local. El sistema utiliza un emparejador de redes neuronales de grafos que emplea mecanismos de atención y paso de mensajes para aprender relaciones espaciales entre puntos de características de imágenes. Integra un estimador de pose de cámara RANSAC para filtrar coincidencias de características y calcular la transformación espacial relativa entre dos puntos de vista de cámara. La biblioteca cubre una amplia gama de capacidades de visión artificial, incluyendo flujos de trabajo de reconstrucción 3D, localización visual y la evaluación de la precisión de emparejamiento mediante métricas de precisión y error de pose. También incluye utilidades para visualizar correspondencias de puntos clave y exportar resultados de emparejamiento para su procesamiento posterior.

This project is an implementation of the ALBERT language model architecture, providing a framework for training and evaluating transformer-based text classifiers and similarity models. It specifically includes pre-trained assets and tools optimized for generating semantic embeddings and representations of Chinese text. The framework distinguishes itself through tools for converting heavy language model checkpoints into lightweight formats to enable low-latency inference on mobile devices. It utilizes specific weight reduction techniques, including cross-parameter sharing and factorized embedd

Este proyecto es un recurso educativo integral y un manual de tutoriales para construir, entrenar y desplegar modelos de machine learning usando TensorFlow 2. Sirve como una guía de aprendizaje estructurada que cubre conceptos fundamentales de deep learning, incluyendo arquitecturas de redes neuronales, diferenciación automática y operaciones con tensores. El manual proporciona orientación técnica sobre cómo optimizar la eficiencia de ejecución mediante la gestión de memoria de GPU, entrenamiento distribuido y cuantización de modelos. También incluye guías detalladas para construir pipelines de datos de alto rendimiento y exportar modelos para servidores de producción, dispositivos móviles y navegadores web. El material abarca una amplia gama de capacidades, incluyendo el desarrollo de modelos con redes convolucionales y recurrentes, la implementación de funciones de pérdida y capas personalizadas, y el uso de modelos preentrenados para transfer learning. También aborda estrategias de despliegue para dispositivos edge y el uso de entornos de ejecución en la nube para aceleración por hardware. El recurso está implementado como una colección de Jupyter Notebooks.

Face-recognition.js es un kit de desarrollo de software de visión artificial para Node.js que proporciona herramientas para detectar, mapear e identificar rostros humanos dentro de imágenes y flujos de video. Funciona como un puente a librerías nativas de alto rendimiento, permitiendo a los desarrolladores realizar tareas complejas de análisis facial directamente dentro de entornos de JavaScript y TypeScript. La librería se distingue por combinar inferencia de deep learning con mapeo geométrico de puntos de referencia. Utiliza redes neuronales preentrenadas para extraer vectores de características faciales y emplea cálculos de distancia euclidiana para determinar la similitud matemática entre identidades. Esto permite tanto la verificación de individuos conocidos como el entrenamiento de modelos personalizados en conjuntos de imágenes etiquetadas para reconocer sujetos específicos. Más allá del reconocimiento central, el proyecto incluye utilidades para conversión de formatos de imagen y representación de datos basada en matrices para facilitar un procesamiento eficiente. También proporciona herramientas de depuración visual que renderizan cuadros delimitadores y puntos de referencia faciales directamente sobre las imágenes, asistiendo en la verificación de resultados de detección durante el desarrollo.

This application is a real-time computer vision system designed to identify and label objects within live video feeds, recorded files, and static images. It functions as a comprehensive framework that integrates pre-trained machine learning models with video processing pipelines to perform multi-object localization and visual data tracking. The system distinguishes itself through a multithreaded architecture that decouples frame acquisition from detection logic, ensuring the interface remains responsive during continuous analysis. It provides specialized scripts for training and optimizing cu

Este proyecto es un sistema de visión artificial diseñado para la detección e identificación de rostros humanos dentro de flujos de video en vivo. Funciona como un pipeline de análisis facial que procesa datos visuales para localizar límites faciales y comparar individuos contra una base de datos almacenada de identidades conocidas. El sistema utiliza un framework de red neuronal de múltiples etapas para aislar regiones faciales y extraer características de identidad únicas. Al convertir los datos de imagen facial en vectores numéricos compactos, realiza cálculos de similitud geométrica para verificar o identificar sujetos a medida que aparecen en movimiento. El software integra bibliotecas establecidas de redes neuronales y procesamiento de imágenes para ejecutar sus tareas de detección y reconocimiento. Opera utilizando modelos preentrenados, permitiendo la identificación de individuos sin requerir entrenamiento adicional durante la fase de ejecución en vivo.